工业生产中过程控制的目标是为了稳定地获得合格的产品,于是质量控制成为所有控制的核心。为了满足生产过程对质量进行控制的要求,需要获取诸如成分、浓度、黏度等质量或物性参数的测量信息。采用软测量技术,利用易于获取的测量信息,通过建立软测量模型来实现对被测变量的估计是一个前景十分广阔的研究方向。支持向量机（SVM）是一种基于统计学习理论（SLT）的新数据建模方法。它建立在VC维理论和结构风险最小原理的基础上,能较好地解决小样本、非线性、高维数和局部极小点等实际问题,同时能获得较好的泛化能力。SVM在工业领域的应用研究相对来说不多,鉴于化工领域小样本统计的特点,它在化工领域中有较大的应用前景。本文针对回归型支持向量机（SVR）算法,从算法性能与推广能力两方面对其展开研究,并将其应用于工业双酚A生产过程软测量建模中。首先,本文讨论了机器学习理论的一些基础性成果、机器学习的发展概况、机器学习所要解决的问题、统计学理论的一些概念和方法以及支持向量机的发展及主要研究手段。分析了各种支持向量机变形算法及回归型支持向量机（SVR）属性,探讨了线性情况下支持向量机的各种变形算法及他们之间的分析比较。讨论了基于粒子群优化算法的回归型支持向量机（SVR）的参数选择。其次,本文应用回归型支持向量机（SVR）算法,从算法性能与推广能力两方面对工业双酚A生产过程软测量的建模展开研究,并介绍了有关建模过程。本文的研究发现,软测量模型的精度,与回归型支持向量机（SVR）选取的参数（核参数、惩罚因子以及ε不敏感系数）关系很大,针对目前尚无解析方法指导SVR参数选取的问题,本文采取了一种基于粒子群优化（PSO）算法的SVR参数选择方法。该方法将SVR参数集当作粒子群,以最小化5-fold交叉验证误差作为适应目标,利用PSO强劲的全局搜索能力实现了参数优选。数值函数和实际应用例子表明该方法对模型推广能力的提高具明显的作用。